In [43]:
# Unifier le dataset
Z = pd.concat([ZQuanti, ZQuali], axis=1)
# Trouver un nombre minimal de dimensions qui captent une variance acceptable
from sklearn.decomposition import PCA
pca = PCA(svd_solver='full')
coordFact = pca.fit_transform(Z)
# Appréciation du critère du coude, et de la variance captée et cumulée, enfonction du nombre de dimensions retenues:
# Calculer la variance expliquée cumulée
variance_expliquee_cumulee = np.cumsum(pca.explained_variance_ratio_)
# Préparer les abscisses pour les graphiques (nombre de composantes)
x_ticks = np.arange(1, pca.n_components_ + 1, 1)
# Tracer la variance expliquée par chaque composante
plt.figure(figsize=(10, 6))
plt.plot(x_ticks, pca.explained_variance_ratio_, marker='o', linestyle='--', label='Variance expliquée par composante')
# Tracer la variance expliquée cumulée
plt.plot(x_ticks, variance_expliquee_cumulee, marker='o', linestyle='-', label='Variance expliquée cumulée')
# Ajouter une ligne horizontale pour le seuil de variance cumulée souhaité, par exemple 90%
plt.axhline(y=0.9, color='red', linestyle='--')
plt.text(0, 0.91, '90% de variance expliquée', color='red')
# Ajouter les légendes et titres
plt.xlabel('Nombre de composantes')
plt.ylabel('Proportion de variance')
plt.title('Variance expliquée par les composantes principales')
plt.legend()
plt.show()
